随着科学技术的迅速发展,各种智能设备的出现让人们的生活变得更加智能化,人机交互也成为人们日常生活中不可或缺的一部分。人体姿态识别技术作为人机交互的重要手段,具有较强的理论研究与实际应用价值,成为各个领域的研究热点。随着无线技术的发展,WiFi信号的覆盖范围越来越广,因此利用普通的WiFi信号来感知人体姿态成为一种新的智能感知方式。近些年来,国内外出现了许多基于WiFi信号的人体姿态识别系统。随着研究的深入和技术的成熟,各个系统的识别准确度达到了较高的水平,且在效率和稳定性方面均有一定的提升。但是,仍然存在识别位置限定和系统可移植性较差的问题。本文提出了基于加权主成分分析(Weighting Principal Component Analysis,WPCA)方法有效解决了区域内(无位置限定)人体姿态识别的问题,主要工作如下:1)使用 Intel 5300 网卡搭建 CSI(Channel State Information,信道状态信息)数据采集平台,并使其工作在Monitor模式。在该模式下,能够控制发送数据包的数量、速度以及发送信道、带宽等参数,而且稳定、抗干扰能力强。2)为了使系统达到较好的去噪效果,提出了一种基于低通滤波和主成分分析(Principal Component Analysis,PCA)方法的联合去噪方案。为了提取更具代表性的特征,本文使用一阶差分(First order Difference,FoD)变换和离散小波变换(Discrete Wavelet Transform,DWT)两种方法进行特征提取。其中,FoD方法能够去除部分多径的干扰,DWT方法对波形进行时频分析,提取更加细粒度的特征。3)通过研究和分析PCA方法对区域内不同位置人体姿态识别的影响,设计了一种基于WPCA方法的识别系统。该方法根据不同主成分对不同位置人体姿态识别具有不同的影响,给予各个主成分不同的权重,有效提升了系统的识别准确度。为了进一步提高系统的识别能力,本文将整个识别区域划分为9个区域,每个区域训练一个模型。首先根据本文提出区域定位算法利用前导手势定位用户所在区域,然后利用该区域模型进行人体姿态识别。该算法的应用成功将系统识别准确度提升到95%。通过反复对比实验证明,所提出算法的识别效果优于现有的集成算法,并通过小样本数据和信噪比(Signal Noise Ratio,SNR)曲线分析,验证了系统的鲁棒性。